CN117056446A - 轨迹数据查询方法、装置、电子设备及介质 - Google Patents
轨迹数据查询方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN117056446A CN117056446A CN202311014113.2A CN202311014113A CN117056446A CN 117056446 A CN117056446 A CN 117056446A CN 202311014113 A CN202311014113 A CN 202311014113A CN 117056446 A CN117056446 A CN 117056446A
- Authority
- CN
- China
- Prior art keywords
- track
- data
- road
- target
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000033001 locomotion Effects 0.000 claims description 95
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000003058 natural language processing Methods 0.000 abstract description 3
- 238000005070 sampling Methods 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 229910052709 silver Inorganic materials 0.000 description 5
- 239000004332 silver Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Fuzzy Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Sensing (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种轨迹数据查询方法、装置、电子设备及介质,涉及人工智能技术领域,尤其涉及自然语言处理、大数据、数据库、深度学习和大语言模型领域。本公开提供的轨迹数据查询方法,包括:采用数据向量化模型对轨迹查询请求进行向量化处理,得到所述轨迹查询请求的请求编码;基于所述请求编码,从预先构建的轨迹数据库中查询与所述轨迹查询请求相匹配的轨迹数据;其中,所述轨迹查询请求为自然语言;所述数据向量化模型为预先训练的大语言模型。本公开支持通过自然语言查询轨迹数据,简化了轨迹数据的语义检索流程,提高了检索效率。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及自然语言处理、大数据、数据库、深度学习和大语言模型领域,具体涉及一种轨迹数据查询方法。
背景技术
轨迹数据就是时空环境下,通过对一个或多个移动对象运动过程的采样所获得的数据信息。轨迹数据具有较大的科研、经济和社会价值,广泛应用于在智能交通场景中,可用于导航路线挖掘和数字地图制作。
轨迹检索是当前轨迹挖掘中的重要一环,相关技术如空间网格检索和指定道路检索等不支持通过自然语言检索轨迹数据。
发明内容
本公开提供了一种轨迹数据查询方法、装置、电子设备及介质。
根据本公开的一方面,提供了一种轨迹数据查询方法,所述方法包括:
采用数据向量化模型对轨迹查询请求进行向量化处理,得到所述轨迹查询请求的请求编码;
基于所述请求编码,从预先构建的轨迹数据库中查询与所述轨迹查询请求相匹配的轨迹数据;
其中,所述轨迹查询请求为自然语言;所述数据向量化模型为预先训练的大语言模型。
根据本公开的另一方面,提供了一种轨迹数据查询装置,所述装置包括:
请求编码确定模块,用于采用数据向量化模型对轨迹查询请求进行向量化处理,得到所述轨迹查询请求的请求编码;
轨迹数据查询模块,用于基于所述请求编码,从预先构建的轨迹数据库中查询与所述轨迹查询请求相匹配的轨迹数据;
其中,所述轨迹查询请求为自然语言;所述数据向量化模型为预先训练的大语言模型。
根据本公开的又一方面,提供了一种电子设备,该电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开任一实施例所述的轨迹数据查询方法。
根据本公开的又一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行本公开任一实施例所述的轨迹数据查询方法。
根据本公开的又一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现本公开任一实施例所述的轨迹数据查询方法。
根据本公开的技术,本公开支持通过自然语言查询轨迹数据,简化了轨迹数据的语义检索流程,提高了检索效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例提供的一种轨迹数据查询方法的流程图;
图2是根据本公开实施例提供的另一种轨迹数据查询方法的流程图;
图3是根据本公开实施例提供的另一种轨迹数据查询方法的流程图;
图4是根据本公开实施例提供的一种轨迹数据查询装置的结构示意图;
图5用来实现本公开实施例的轨迹数据查询方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本公开实施例提供的一种轨迹数据查询方法的流程图,本公开实施例可应用于对轨迹数据进行查询的情况。该方法可以由轨迹数据查询装置来执行,该装置可以采用软件和/或硬件的方式实现。如图1所示,本实施例的轨迹数据查询方法可以包括:
S101,采用数据向量化模型对轨迹查询请求进行向量化处理,得到所述轨迹查询请求的请求编码。
S102,基于所述请求编码,从预先构建的轨迹数据库中查询与所述轨迹查询请求相匹配的轨迹数据。
其中,轨迹查询请求用于请求从轨迹数据库中查询轨迹数据。轨迹查询请求为自然语言。轨迹查询请求基于轨迹数据的数据需求生成。可选的,轨迹查询请求为以自然语言描述的数据需求。示例性的,轨迹查询请求可以是“查询去过银城中路且被堵住的货车用户”。
其中,轨迹数据通过在时空环境下,对一个或多个目标对象运动过程进行采样得到。轨迹数据与采样顺序有关,采样后若想得到轨迹数据还需要按照采样顺序对采样所得到的数据信息进行组织。可选的,轨迹数据包括采样位置,采样时间以及目标对象的轨迹点等数据信息。
其中,数据向量化模型用于对轨迹查询请求进行向量化处理。数据向量化模型为预先训练的大语言模型。大语言模型(LLM,Large Language Model)是指使用大量文本数据训练的深度学习模型,可以生成自然语言文本或理解语言文本的含义。大语言模型可以处理多种自然语言任务,如文本分类、问答、对话等。大语言模型通过训练,从大量标记和未标记的数据中捕获知识,并将知识存储到大量的参数中,其模型参数可达到百亿级别或者千亿级别。
数据向量化模型具备语言理解能力以及文本生成能力,采用数据向量化模型对轨迹查询请求进行向量化处理,通过数据向量化模型输出的请求编码包括轨迹查询请求的语义。可选的,轨迹查询请求的请求编码为嵌入向量(Embedding)。示例性的,数据向量化模型输出的请求编码可以为[0.1,-0.2,0.3]。
其中,轨迹数据库根据轨迹数据和轨迹数据的轨迹描述预先构建。轨迹数据的轨迹描述用于生成轨迹数据在轨迹数据库中的数据索引。轨迹描述用于描述轨迹数据在现实世界中所具有的语义。轨迹数据在轨迹数据库中的数据索引包括轨迹数据的语义。在轨迹数据库中,轨迹数据为与数据索引关联的数据内容。轨迹数据库中的每条轨迹数据均存在对应的数据索引。
可选的,将请求编码作为查询索引,从预先构建的轨迹数据库中查询与轨迹查询请求相匹配的轨迹数据。其中,与轨迹查询请求相匹配的轨迹数据可以满足轨迹查询请求对应的数据需求。轨迹查询请求与轨迹数据相匹配,是指轨迹查询请求对应的请求编码与轨迹数据对应的数据索引相匹配。由于,请求编码和数据索引分别包含轨迹查询请求和轨迹数据的语义,也就是说,与轨迹查询请求相匹配的轨迹数据,是指在语义层面上与轨迹查询请求相匹配的轨迹数据。
继续以上例进行说明,在轨迹查询请求为“查询去过银城中路且被堵住的货车用户”的情况下,将请求编码“[0.1,-0.2,0.3]”作为查询索引从预先构建的轨迹数据库中查询数据索引与请求编码相匹配的轨迹数据作为与轨迹查询请求相匹配的轨迹数据。示例性的,从轨迹数据库中返回的查询结果可以为用户A,用户B…用户K。其中,与轨迹查询请求相匹配的轨迹数据的条数,在这里不作限定,具体根据实际情况确定。
本公开技术方案将大语言模型用于轨迹数据检索,采用数据向量化模型对轨迹查询请求进行向量化处理,得到轨迹查询请求的请求编码;通过数据向量化模型输出的请求编码包含轨迹查询请求的语义,将请求编码作为查询索引从预先构建的轨迹数据库中查询与轨迹查询请求相匹配的轨迹数据。本公开技术方案支持通过自然语言从轨迹数据库中查询轨迹数据,简化了轨迹数据的语义检索流程,提高了检索效率。同时扩展了轨迹数据查询方法的应用场景。可将本公开提供的轨迹数据查询方法用于轨迹挖掘和智能交通等应用场景。
图2是根据本公开实施例提供的另一种轨迹数据查询方法的流程图;本实施例是在上述实施例的基础上提出的一种可选方案。具体的,本公开实施例提供了一种轨迹数据库的构建方案。
参见图2,本实施例提供的轨迹数据查询方法包括:
S201,基于目标对象的轨迹数据,确定轨迹数据的轨迹描述;其中,所述轨迹描述为自然语言。
目标对象是指产生轨迹数据的实体。目标对象一般为车辆。其中,轨迹数据通过在时空环境下,对一个或多个目标对象的运动过程进行采样得到。轨迹数据与采样顺序有关,采样后若想得到轨迹数据还需要按照采样顺序对采样所得到的数据信息进行组织。可选的,轨迹数据包括采样位置,采样时间以及目标对象的轨迹点等数据信息。示例性的,以<p1,p2,p3…pn>表示目标对象的轨迹数据。其中,pn表示对目标对象的运动过程进行采样得到的一条数据。
轨迹数据的轨迹描述用于描述轨迹数据在现实世界中所具有的语义。轨迹描述为自然语言。继续上例进行说明,在轨迹数据为<p1,p2,p3…pn>的情况下,轨迹数据的轨迹描述可以是“从陆家嘴到银城中路,行驶40米,右转,进入银城中路,行驶990米,该道路拥堵2分钟”。
S202,采用所述数据向量化模型对所述轨迹描述进行向量化处理,得到所述轨迹描述的描述编码。
其中,数据向量化模型用于对轨迹描述进行向量化处理,数据向量化模型具备语言理解能力以及文本生成能力。采用数据向量化模型对轨迹描述进行向量化处理,通过数据向量化模型输出的描述编码包括轨迹描述的语义。可选的,轨迹描述的描述编码为嵌入向量(Embedding)。
示例性的,在轨迹数据的轨迹描述为“从陆家嘴到银城中路,行驶40米,右转,进入银城中路,行驶990米,该道路拥堵2分钟”的情况下,采用数据向量化模型对轨迹描述进行向量化处理,所得到的描述编码可以是“[-0.002,0.001,0.002.1.22,2.33,4.55]”。
S203,将所述描述编码作为所述轨迹数据的数据索引,构建所述轨迹数据库。
轨迹数据的轨迹描述用于描述轨迹数据在现实世界中所具有的语义。描述编码包括轨迹描述的语义。因此,描述编码包含轨迹数据的语义。
其中,轨迹数据的数据索引用于从轨迹数据库中检索轨迹数据。数据索引是一种单独的、物理的对轨迹数据库中轨迹数据进行排序的一种存储结构,基于数据索引可以快速定位轨迹数据库中的轨迹数据。将描述编码作为轨迹数据在轨迹数据库中数据索引,为实现通过自然语言从轨迹数据库中查询轨迹数据提供了技术支持。
本公开技术方案将大语言模型用于构建轨迹数据库,采用数据向量化模型对以自然语言构建的轨迹描述进行向量化处理,得到轨迹描述的描述编码,然后将描述编码作为所述轨迹数据的数据索引,构建轨迹数据库。再基于轨迹数据库处理轨迹查询请求,使得通过自然语言从轨迹数据库中查询轨迹数据成为可能,简化了轨迹数据的语义检索流程,提高了检索效率。同时扩展了轨迹数据查询方法的应用场景。
在一个可选的实施例中,基于所述请求编码,从预先构建的轨迹数据库中查询与所述轨迹查询请求相匹配的轨迹数据,包括:确定所述轨迹数据库中轨迹数据的数据索引;将所述请求编码与所述轨迹数据库中轨迹数据的数据索引进行相似度匹配,得到相似度匹配结果;基于所述相似度匹配结果,从所述轨迹数据库中查询与所述轨迹查询请求相匹配的轨迹数据。
其中,轨迹数据的数据索引用于从轨迹数据库中检索轨迹数据。轨迹数据的数据索引基于轨迹数据的轨迹描述生成。轨迹描述用于描述轨迹数据在现实世界中所具有的语义。轨迹数据的数据索引包含轨迹数据的语义。轨迹数据库中的每条轨迹数据均存在对应的数据索引。
请求编码通过数据向量化模型对轨迹查询请求进行向量化处理得到,请求编码包含轨迹查询请求的语义。将编码数据与轨迹数据库中轨迹数据的数据索引进行相似度匹配,实际上是确定轨迹查询请求与轨迹数据库中轨迹数据的语义相似度。其中,相似度匹配结果用于量化轨迹数据库中轨迹数据与轨迹查询请求之间的语义相似程度。
可选的,相似度匹配结果为相似度数值。示例性的,请求编码为[0.1,-0.2,0.3],轨迹数据A的描述编码为“[-0.002,0.001,0.002.1.22,2.33,4.55]的情况下,将[0.1,-0.2,0.3]与[-0.002,0.001,0.002.1.22,2.33,4.55]进行相似度匹配,得到二者之间的相似度数值,进而确定轨迹查询请求与轨迹数据A的语义相似度。
相似度数值与语义相似程度呈正比,相似度数值越大,表明轨迹数据库中轨迹数据与轨迹查询请求之间的语义相似程度越高。可选的,按照相似度数值从大到小的顺序对轨迹数据库中的轨迹数据进行排序,从中选择预设数量的轨迹数据作为与轨迹查询请求相匹配的轨迹数据。其中,预设数量根据实际业务需求确定,在这里不作限定。
上述技术方案,提供了一种切实可行的轨迹数据检索方案,通过将请求编码与轨迹数据库中轨迹数据的数据索引进行相似度匹配,即可从轨迹数据库中快速定位与轨迹查询请求相匹配的轨迹数据。请求编码和数据索引分别包含轨迹查询请求和轨迹数据的语义,上述技术方案为实现通过自然语言从轨迹数据库中查询轨迹数据提供了技术支持,简化了轨迹数据的语义检索流程。
图3是根据本公开实施例提供的另一种轨迹数据查询方法的流程图,本实施例是在上述实施例的基础上提出的一种可选方案。如图3所示,本实施例的轨迹数据查询方法可以包括:
S301,基于目标对象的轨迹数据,在路网中确定与所述轨迹数据相匹配的目标道路。
其中,目标道路是指目标对象的轨迹数据在路网中所覆盖的道路。
可选的,采用地图匹配模型,在路网中确定与目标对象的轨迹数据相匹配的目标道路。示例性的,以<l1,l2,l3…ln>表示目标道路。
示例性的,地图匹配模型可以是隐马尔可夫模型(Hidden Markov Model,HMM)。HMM是一个双重随机过程,其中一重随机过程不能直接观察到,通过状态转移概率矩阵描述。另一重随机过程输出可以观察的符号,这由输出观测概率来定义。其中,状态转移概率两个相邻轨迹点所对应的路段的转移概率。观测概率是指目标对象在某路段上产生观测到的轨迹点的概率。
S302,确定所述目标对象在目标道路上的运动状态。
可选的,运动状态包括:运动方向,运动距离和运行速度等。目标对象在目标道路上的运动状态基于轨迹数据的位置特征和时间特征确定。
S303,基于所述目标对象、所述目标道路以及所述目标对象在目标道路上的运动状态,生成所述轨迹数据的轨迹描述;其中,所述轨迹描述为自然语言。
目标道路和目标对象在目标道路上的运动状态均与轨迹数据相关,目标对象为产生轨迹数据的主体,目标道路为产生轨迹数据的环境,目标对象在目标道路上的运动状态直接影响轨迹数据的数据内容。
目标对象、目标道路以及目标对象在目标道路上的运动状态在现实世界中均具有明确的语义。目标对象、目标道路以及目标对象在目标道路上的运动状态,可以用于描述轨迹数据在现实世界中所具有的语义。也就是说,基于目标对象、目标道路以及目标对象在目标道路上的运动状态,可以生成轨迹数据的轨迹描述。
在一个可选的实施例中,所述基于所述目标对象、所述目标道路以及所述目标对象在目标道路上的运动状态,生成所述轨迹数据的轨迹描述,包括:基于所述目标对象的对象标识,获取目标对象的对象描述;基于所述目标道路的道路标识,获取目标道路的道路描述;基于所述目标对象的对象描述,所述目标道路的道路描述以及所述目标对象在目标道路上的运动状态,生成所述轨迹数据的轨迹描述。
其中,对象标识是指目标对象的唯一性标志,用于区分不同对象。示例性的,在目标对象为车辆的情况下,目标对象的对象标识为车牌号。
可选的,将对象标识作为查询索引从预先构建的对象描述数据库中,查询目标对象的对象描述。其中,对象描述用于描述目标对象在现实世界中所具有的语义。示例性的,对象描述可以是对象类型如货车或者客车等。
其中,道路标识是指目标道路的唯一性标志,用于区分不同道路。可选的,将道路标识作为查询索引从预先构建的道路描述数据库中,查询目标道路的道路描述。其中,道路描述用于描述目标道路在现实世界中所具有的语义。示例性的,道路描述可以包括道路类型如高架或者主辅路等,还可以包括道路方向以及道路事件如路况或者施工。
基于目标对象的对象描述,目标道路的道路描述以及目标对象在目标道路上的运动状态,生成轨迹数据的轨迹描述。可选的,对目标对象的对象描述,目标道路的道路描述以及目标对象在目标道路上的运动状态进行拼接处理,将得到的拼接结果作为轨迹数据的轨迹描述。
上述技术方案,提供了一种切实可行的轨迹描述确定方法,可以用于描述轨迹数据在现实世界中所具有的语义。为在轨迹数据库中构建轨迹数据的数据索引提供了数据支持,为实现通过自然语言从轨迹数据库中查询轨迹数据提供了技术支持。
S304,采用所述数据向量化模型对所述轨迹描述进行向量化处理,得到所述轨迹描述的描述编码。
S305,将所述描述编码作为所述轨迹数据的数据索引,构建所述轨迹数据库。
本公开技术方案,基于目标对象、目标道路以及目标对象在目标道路上的运动状态,生成轨迹数据的轨迹描述。实现了对轨迹数据在现实世界中所具有的语义的描述,为构建轨迹数据的数据索引提供了数据支持,为实现通过自然语言从轨迹数据库中查询轨迹数据提供了技术支持。
在一个可选的实施例中,所述运动状态包括运动方向;所述确定所述目标对象在目标道路上的运动状态,包括:从路网中确定与所述目标道路相邻的关联道路;根据所述目标道路和所述关联道路之间的相对位置关系,确定所述目标对象在目标道路上的运动方向。
其中,关联道路与目标道路一样,均被目标对象的轨迹数据所覆盖。关联道路与目标道路相邻。可选的,关联道路和目标道路为目标对象先后经过的两条道路。
可选的,根据轨迹数据的时间特征和位置特征,在路网中确定目标道路和与目标道路相邻的关联道路。然后,确定目标道路和关联道路之间的相对位置关系。其中,相对位置关系根据目标道路的规定行驶方向与关联道路的规定行驶方向确定。
其中,运动方向是指目标对象从关联道路驶入目标道路的朝向。运动方向根据相对位置关系确定。可选的,运动方向包括:左转、右转、直行或者掉头。
上述技术方案,提供了一种切实可行的运动方向确定方法,可用于确定目标对象的运动状态,为将运动状态用于确定轨迹数据的轨迹描述提供了数据支持。
在一个可选的实施例中,所述根据所述目标道路和所述关联道路之间的相对位置关系,确定所述目标对象在目标道路上的运动方向,包括:根据所述相对位置关系,确定所述目标道路和所述关联道路之间的相对角度;基于所述目标道路和所述关联道路之间的相对角度,以及预设角度阈值,确定所述目标对象在目标道路上的运动方向。
其中,相对角度是指目标道路的规定行驶方向与关联道路的规定行驶方向之间的相对角度。相对角度根据目标道路和所述关联道路之间的相对位置关系确定。
基于目标道路和关联道路之间的相对角度以及预设角度阈值,确定目标对象在目标道路上的运动方向。其中,预设角度阈值可以为多个,预设角度阈值的具体数值根据实际业务需求确定,在这里不作限定。示例性的,以关联道路的规定行驶方向为参考,顺时针方向为角度增加的方向。示例性的,预设角度阈值可以是40度,90度,180度和270度。若相对角度小于等于40度,则确定目标对象的运动方向为直行;若相对角度为90度,则确定目标对象的运动方向为右转;若相对角度为270度,则确定目标对象的运动方向为左转;若相对角度为180度,则确定目标对象的运动方向为掉头。
上述技术方案,提供了一种切实可行的运动方向确定方法,可用于确定目标对象的运动状态,为将运动状态用于确定轨迹数据的轨迹描述提供了数据支持。
在一个可选的实施例中,所述运动状态包括运动速度和运动距离;所述确定所述目标对象在目标道路上的运动状态,包括:从所述目标对象的轨迹数据中确定属于目标道路的轨迹数据;采用属于所述的目标道路的轨迹数据,确定所述目标对象在目标道路上的运动速度和运动距离。
其中,目标对象的轨迹数据可能覆盖多条道路,也就是说,目标对象的轨迹数据可能属于目标道路也可能属于其他道路。
可选的,基于轨迹数据的位置特征,从目标对象的轨迹数据中确定属于目标道路的轨迹数据。采用属于的目标道路的轨迹数据,确定目标对象在目标道路上的运动速度和运动距离。
上述技术方案提供了一种切实可行的运动距离和运动方向确定方法,可用于确定目标对象的运动状态,为将运动状态用于确定轨迹数据的轨迹描述提供了数据支持。
图4是根据本公开实施例提供的一种轨迹数据查询装置的结构示意图。本公开实施例本公开实施例可应用于资讯类应用进行内容推荐的情况。该装置可以采用软件和/或硬件来实现,该装置可以实现本公开任意实施例所述的轨迹数据查询方法。
如图4所示,该轨迹数据查询装置400包括:
请求编码确定模块401,用于采用数据向量化模型对轨迹查询请求进行向量化处理,得到所述轨迹查询请求的请求编码;
轨迹数据查询模块402,用于基于所述请求编码,从预先构建的轨迹数据库中查询与所述轨迹查询请求相匹配的轨迹数据;
其中,所述轨迹查询请求为自然语言;所述数据向量化模型为预先训练的大语言模型。
本公开技术方案将大语言模型用于轨迹数据检索,采用数据向量化模型对轨迹查询请求进行向量化处理,得到轨迹查询请求的请求编码;通过数据向量化模型输出的请求编码包含轨迹查询请求的语义,将请求编码作为查询索引从预先构建的轨迹数据库中查询与轨迹查询请求相匹配的轨迹数据。本公开技术方案支持通过自然语言从轨迹数据库中查询轨迹数据,简化了轨迹数据的语义检索流程,提高了检索效率。同时扩展了轨迹数据检索方法的应用场景。
可选的,所述装置400还包括:数据库构建模块,用于预先构建所述轨迹数据库;所述数据库构建模块包括:轨迹描述确定子模块,用于基于目标对象的轨迹数据,确定轨迹数据的轨迹描述;其中,所述轨迹描述为自然语言;描述编码确定子模块,用于采用所述数据向量化模型对所述轨迹描述进行向量化处理,得到所述轨迹描述的描述编码;数据库构建子模块,用于将所述描述编码作为所述轨迹数据的数据索引,构建所述轨迹数据库。
可选的,所述轨迹描述确定子模块,包括:目标道路确定单元,用于基于目标对象的轨迹数据,在路网中确定与所述轨迹数据相匹配的目标道路;运动状态确定单元,用于确定所述目标对象在目标道路上的运动状态;轨迹描述生成单元,用于基于所述目标对象、所述目标道路以及所述目标对象在目标道路上的运动状态,生成所述轨迹数据的轨迹描述。
可选的,所述运动状态包括运动方向;所述运动状态确定单元,包括:关联道路确定子单元,用于从路网中确定与所述目标道路相邻的关联道路;运动方向确定子单元,用于根据所述目标道路和所述关联道路之间的相对位置关系,确定所述目标对象在目标道路上的运动方向。
可选的,所述运动方向确定子单元,包括:相对角度确定从单元,用于根据所述相对位置关系,确定所述目标道路和所述关联道路之间的相对角度;运动方向确定从单元,用于基于所述目标道路和所述关联道路之间的相对角度,以及预设角度阈值,确定所述目标对象在目标道路上的运动方向。
可选的,所述运动状态包括运动速度和运动距离;所述运动状态确定单元,包括:轨迹数据确定子单元,用于从所述目标对象的轨迹数据中确定属于目标道路的轨迹数据;速度距离确定子单元,用于采用属于所述的目标道路的轨迹数据,确定所述目标对象在目标道路上的运动速度和运动距离。
可选的,所述轨迹描述生成单元,包括:对象描述获取子单元,用于基于所述目标对象的对象标识,获取目标对象的对象描述;道路描述获取子单元,用于基于所述目标道路的道路标识,获取目标道路的道路描述;轨迹描述生成子单元,用于基于所述目标对象的对象描述,所述目标道路的道路描述以及所述目标对象在目标道路上的运动状态,生成所述轨迹数据的轨迹描述。
可选的,轨迹数据查询模块402,包括:数据索引确定子模块,用于确定所述轨迹数据库中轨迹数据的数据索引;相似度匹配子模块,用于将所述请求编码与所述轨迹数据库中轨迹数据的数据索引进行相似度匹配,得到相似度匹配结果;轨迹数据查询子模块,用于基于所述相似度匹配结果,从所述轨迹数据库中查询与所述轨迹查询请求相匹配的轨迹数据。
本公开实施例所提供的轨迹数据查询装置可执行本公开任意实施例所提供的轨迹数据查询方法,具备执行轨迹数据查询方法相应的功能模块和有益效果。
本公开的技术方案中,所涉及的用户信息,语音控制指令的收集、存储、使用、加工、传输、提供和公开等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示,电子设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储电子设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
电子设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许电子设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如轨迹数据查询方法。例如,在一些实施例中,轨迹数据查询方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到电子设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的轨迹数据查询方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行轨迹数据查询方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程轨迹数据查询装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
云计算(cloud computing),指的是通过网络接入弹性可扩展的共享物理或虚拟资源池,资源可以包括服务器、操作系统、网络、软件、应用和存储设备等,并可以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术,可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (19)
1.一种轨迹数据查询方法,包括:
采用数据向量化模型对轨迹查询请求进行向量化处理,得到所述轨迹查询请求的请求编码;
基于所述请求编码,从预先构建的轨迹数据库中查询与所述轨迹查询请求相匹配的轨迹数据;
其中,所述轨迹查询请求为自然语言;所述数据向量化模型为预先训练的大语言模型。
2.根据权利要求1所述的方法,其中,所述轨迹数据库基于如下方式预先构建:
基于目标对象的轨迹数据,确定轨迹数据的轨迹描述;其中,所述轨迹描述为自然语言;
采用所述数据向量化模型对所述轨迹描述进行向量化处理,得到所述轨迹描述的描述编码;
将所述描述编码作为所述轨迹数据的数据索引,构建所述轨迹数据库。
3.根据权利要求2所述的方法,其中,所述基于目标对象的轨迹数据,确定轨迹数据的轨迹描述,包括:
基于目标对象的轨迹数据,在路网中确定与所述轨迹数据相匹配的目标道路;
确定所述目标对象在目标道路上的运动状态;
基于所述目标对象、所述目标道路以及所述目标对象在目标道路上的运动状态,生成所述轨迹数据的轨迹描述。
4.根据权利要求3所述的方法,其中,所述运动状态包括运动方向;所述确定所述目标对象在目标道路上的运动状态,包括:
从路网中确定与所述目标道路相邻的关联道路;
根据所述目标道路和所述关联道路之间的相对位置关系,确定所述目标对象在目标道路上的运动方向。
5.根据权利要求4所述的方法,其中,所述根据所述目标道路和所述关联道路之间的相对位置关系,确定所述目标对象在目标道路上的运动方向,包括:
根据所述相对位置关系,确定所述目标道路和所述关联道路之间的相对角度;
基于所述目标道路和所述关联道路之间的相对角度,以及预设角度阈值,确定所述目标对象在目标道路上的运动方向。
6.根据权利要求3所述的方法,其中,所述运动状态包括运动速度和运动距离;所述确定所述目标对象在目标道路上的运动状态,包括:
从所述目标对象的轨迹数据中确定属于目标道路的轨迹数据;
采用属于所述的目标道路的轨迹数据,确定所述目标对象在目标道路上的运动速度和运动距离。
7.根据权利要求3所述的方法,其中,所述基于所述目标对象、所述目标道路以及所述目标对象在目标道路上的运动状态,生成所述轨迹数据的轨迹描述,包括:
基于所述目标对象的对象标识,获取目标对象的对象描述;
基于所述目标道路的道路标识,获取目标道路的道路描述;
基于所述目标对象的对象描述,所述目标道路的道路描述以及所述目标对象在目标道路上的运动状态,生成所述轨迹数据的轨迹描述。
8.根据权利要求1所述的方法,其中,基于所述请求编码,从预先构建的轨迹数据库中查询与所述轨迹查询请求相匹配的轨迹数据,包括:
确定所述轨迹数据库中轨迹数据的数据索引;
将所述请求编码与所述轨迹数据库中轨迹数据的数据索引进行相似度匹配,得到相似度匹配结果;
基于所述相似度匹配结果,从所述轨迹数据库中查询与所述轨迹查询请求相匹配的轨迹数据。
9.一种轨迹数据查询装置,所述装置包括:
请求编码确定模块,用于采用数据向量化模型对轨迹查询请求进行向量化处理,得到所述轨迹查询请求的请求编码;
轨迹数据查询模块,用于基于所述请求编码,从预先构建的轨迹数据库中查询与所述轨迹查询请求相匹配的轨迹数据;
其中,所述轨迹查询请求为自然语言;所述数据向量化模型为预先训练的大语言模型。
10.根据权利要求9所述的装置,其中,所述装置还包括:数据库构建模块,用于预先构建所述轨迹数据库;
所述数据库构建模块包括:轨迹描述确定子模块,用于基于目标对象的轨迹数据,确定轨迹数据的轨迹描述;其中,所述轨迹描述为自然语言;
描述编码确定子模块,用于采用所述数据向量化模型对所述轨迹描述进行向量化处理,得到所述轨迹描述的描述编码;
数据库构建子模块,用于将所述描述编码作为所述轨迹数据的数据索引,构建所述轨迹数据库。
11.根据权利要求10所述的装置,其中,所述轨迹描述确定子模块,包括:
目标道路确定单元,用于基于目标对象的轨迹数据,在路网中确定与所述轨迹数据相匹配的目标道路;
运动状态确定单元,用于确定所述目标对象在目标道路上的运动状态;
轨迹描述生成单元,用于基于所述目标对象、所述目标道路以及所述目标对象在目标道路上的运动状态,生成所述轨迹数据的轨迹描述。
12.根据权利要求11所述的装置,其中,所述运动状态包括运动方向;所述运动状态确定单元,包括:
关联道路确定子单元,用于从路网中确定与所述目标道路相邻的关联道路;
运动方向确定子单元,用于根据所述目标道路和所述关联道路之间的相对位置关系,确定所述目标对象在目标道路上的运动方向。
13.根据权利要求12所述的装置,其中,所述运动方向确定子单元,包括:
相对角度确定从单元,用于根据所述相对位置关系,确定所述目标道路和所述关联道路之间的相对角度;
运动方向确定从单元,用于基于所述目标道路和所述关联道路之间的相对角度,以及预设角度阈值,确定所述目标对象在目标道路上的运动方向。
14.根据权利要求11所述的装置,其中,所述运动状态包括运动速度和运动距离;
所述运动状态确定单元,包括:轨迹数据确定子单元,用于从所述目标对象的轨迹数据中确定属于目标道路的轨迹数据;
速度距离确定子单元,用于采用属于所述的目标道路的轨迹数据,确定所述目标对象在目标道路上的运动速度和运动距离。
15.根据权利要求11所述的装置,其中,所述轨迹描述生成单元,包括:
对象描述获取子单元,用于基于所述目标对象的对象标识,获取目标对象的对象描述;
道路描述获取子单元,用于基于所述目标道路的道路标识,获取目标道路的道路描述;
轨迹描述生成子单元,用于基于所述目标对象的对象描述,所述目标道路的道路描述以及所述目标对象在目标道路上的运动状态,生成所述轨迹数据的轨迹描述。
16.根据权利要求9所述的装置,其中,轨迹数据查询模块,包括:
数据索引确定子模块,用于确定所述轨迹数据库中轨迹数据的数据索引;
相似度匹配子模块,用于将所述请求编码与所述轨迹数据库中轨迹数据的数据索引进行相似度匹配,得到相似度匹配结果;
轨迹数据查询子模块,用于基于所述相似度匹配结果,从所述轨迹数据库中查询与所述轨迹查询请求相匹配的轨迹数据。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行根据权利要求1-8中任一项所述的轨迹数据查询方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行根据权利要求1-8中任一项所述的轨迹数据查询方法。
19.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的轨迹数据查询方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311014113.2A CN117056446A (zh) | 2023-08-11 | 2023-08-11 | 轨迹数据查询方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311014113.2A CN117056446A (zh) | 2023-08-11 | 2023-08-11 | 轨迹数据查询方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117056446A true CN117056446A (zh) | 2023-11-14 |
Family
ID=88660212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311014113.2A Pending CN117056446A (zh) | 2023-08-11 | 2023-08-11 | 轨迹数据查询方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117056446A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118193645A (zh) * | 2024-05-15 | 2024-06-14 | 北京九栖科技有限责任公司 | 一种基于Hbase和向量数据库的轨迹检索方法、系统及介质 |
-
2023
- 2023-08-11 CN CN202311014113.2A patent/CN117056446A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118193645A (zh) * | 2024-05-15 | 2024-06-14 | 北京九栖科技有限责任公司 | 一种基于Hbase和向量数据库的轨迹检索方法、系统及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560496A (zh) | 语义分析模型的训练方法、装置、电子设备及存储介质 | |
CN114596553B (zh) | 模型训练方法、轨迹预测方法、装置及自动驾驶车辆 | |
US20230068238A1 (en) | Method and apparatus for processing image, electronic device and storage medium | |
CN114047764B (zh) | 路径规划模型的训练方法和路径规划方法、装置 | |
US11093857B2 (en) | Method and apparatus for generating information | |
US20230103040A1 (en) | Vehicle travel control method and apparatus | |
CN110533254B (zh) | 一种路段识别方法、装置、设备及存储介质 | |
CN114357105A (zh) | 地理预训练模型的预训练方法及模型微调方法 | |
JP2023022185A (ja) | 地図データ処理方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
CN114202026A (zh) | 多任务模型训练方法和装置、多任务处理方法和装置 | |
CN113344121B (zh) | 训练招牌分类模型和招牌分类的方法 | |
CN115909749A (zh) | 车辆运行道路风险预警方法、装置、设备及存储介质 | |
CN113739811A (zh) | 关键点检测模型的训练和高精地图车道线的生成方法设备 | |
CN113705515A (zh) | 语义分割模型的训练和高精地图车道线的生成方法和设备 | |
CN114661842B (zh) | 地图匹配方法、装置和电子设备 | |
CN117056446A (zh) | 轨迹数据查询方法、装置、电子设备及介质 | |
CN116092055A (zh) | 训练方法、获取方法、装置、设备及自动驾驶车辆 | |
CN114715145B (zh) | 一种轨迹预测方法、装置、设备及自动驾驶车辆 | |
CN114111813A (zh) | 高精地图元素更新方法、装置、电子设备及存储介质 | |
CN112541464A (zh) | 关联道路对象的确定方法、装置、路侧设备和云控平台 | |
CN115830578B (zh) | 物品巡检方法、装置和电子设备 | |
CN113850297B (zh) | 道路数据的监测方法、装置、电子设备及存储介质 | |
CN116152702A (zh) | 点云标签的获取方法、装置、电子设备和自动驾驶车辆 | |
CN114584949A (zh) | 车路协同确定障碍物属性值的方法、设备及自动驾驶车辆 | |
CN113360791A (zh) | 电子地图的兴趣点查询方法、装置、路侧设备及车辆 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |